清华大学金融科技研究院孵化
金融科技与金融创新全媒体

扫描分享

本文共字,预计阅读时间

文/中泰证券有限公司首席信息官程龙,中泰证券有限公司网络金融部刘艳丽

(本文为“证券机构数字化转型与证券科技创新”征文活动入围文章。)

近年来,在互联网金融及移动证券的冲击下,证券行业平均佣金率水平持续下降,传统盈利模式及经营方式面临转型压力。与此同时,财富管理市场得到持续迅猛发展,初步形成客户多元化、需求多样化的格局。大数据、云计算、人工智能等新技术成为驱动财富管理行业转型的重要力量,证券经营机构通过金融科技赋能,不断优化客户服务流程和标准,升级完善数字化运营体系,深度挖掘并主动跟踪客户需求,为客户提供资产配置和财富管理服务,实现业务模式创新及战略变革。

在客户需求升级和金融市场的竞争环境下,数字化运营体系将是未来金融机构核心竞争力的来源,是构筑差异化优势的重要手段。精细化运营平台建设,作为互联网营销服务运营体系建设中的核心,便于公司利用科技手段对客户提供低成本、集约化、标准化的服务,将客户的行为和交易数据形成数据资产,围绕客户形成全价值链服务,以“标签适配、智能理财”、“场景植入、精准营销”、“精准服务、主动触达”、“兴趣适配、智能资讯”等实现对客户的精准营销和精准服务,进一步提升服务效率,降低业务成本。研究证券机构如何借助技术力量赋能财富管理,提升金融服务供给效率,建立技术上的护城河,增强数字化生存能力和核心竞争力,具有重要意义。

一、构建基于数据驱动的精细化运营平台

(一)系统定义

精细化运营平台以强大的技术、产品保障,一站式满足证券机构的全端数据采集、用户画像洞察、精细化运营、活动效果评估实时反馈等新需求,打通券商的数据流与业务流,形成数字化的业务闭环,用数据驱动增长。

精细化运营平台可为券商提供全端数据采集服务,包含客户端采集、服务器采集等;数据治理服务,包含数据建模与存储、元数据管理、数据质量管理等;数据平台整合服务,包含用户行为分析、标签画像、用户运营等平台共 500+ 强大的数据分析、用户分析、运营自动化等功能。在强大的功能服务的加持下,该平台可为财富管理转型带来实时多维数据观察与分析、精准用户洞察、精细化智能运营等价值。

(二)系统功能

精细化运营平台基于数据驱动——场景应用——营销闭环实现运营精准化、智能化;通过对一方、三方数据的整合支持,提供以标签为导向的标准数据服务,夯实数据基础;实现以数据产品为导向的场景化服务与营销,扩大获客半径和提高服务效率,基于业务场景延伸,持续不断开发基于场景的数据产品;提供包括事前、事中、事后的运营策略指引工作,通过自动化工作流平台统一运营营销活动和事件,统一触发给员工端或客户端进行营销触达。

(三)系统定位

精细化运营平台,基于后台各系统提供大数据支持,中台进行统一运营体系建设,向前端各应用输出精准化、自动化营销及服务。

后台系统:基于统一数据源,体内数据——账户、交易、营销服务等,体外数据——移动互联渠道、WEB网站渠道、三方数据,系统整合现有各类清洗转化的标准数据,包括交易、运营、产品、行为等数据,进行统一治理为前端输送数据资源;

中台运营:中台定位是支撑平台内部运营的核心业务系统,主要实现内容包括:标签画像、产品分析、产品销售、营销活动、内容资料库、基础支持等。另外还包括平台基础权限、配置、运维等相关管理;

前端应用:通过精准营销服务系统产生业务消息,对接公司统一推送平台,实现智能服务推送,对内的 CRM 系统、员工APP 等工作平台,也有对外的客户 APP、微信服务号等。

外部系统对接:通过相关系统接口与MOT、CRM、投顾、产品中心、APP、消息渠道等对接。

(四)系统价值

1、数字化驱动营销服务

从单一粗放式营销深入到精准多样化营销。摒弃传统CRM流程驱动营销活动、客户名单粗放,导致营销活动多而无效,营销效果欠佳且客户体验差的服务模式。转变为大数据分析、精准适配、提供多样化并且差异性的有针对性的营销模式,将精准营销深入业务环节,让员工工作更便捷,让客户体验更出色。

2、全面实现服务自动化

全面实现服务自动化,基于Oracle+Spark+ES的数据处理技术支持,依托MOT,实现针对客户进行自动的智能服务推送,针对员工提供主动的任务提醒,对客户实现全面的服务自动化以及实时性。

3、数字化运营决策支持

基于客户、产品、经营等数据实现数据运营分析以及精细化的管理需求。

二、客户画像构建基础及方法理论

客户画像被定义为是基于实际数据的虚拟客户模型。证券经营机构可通过构建客户画像系统,对客户标签进行规范化、集中化管理,通过建立科学的标签体系,深入理解客群,深度刻画客户特征,从而为证券经纪、财富管理、融资融券等业务部门提供精准营销服务,实现提高营销业绩,提升客户满意度,优化数字化运营,加强风险管控等经营目标。

证券经营机构采用的客户画像方法应以客户为中心,以具体业务场景为导向,以生命周期为主轴,从海量数据(交易数据/行为数据/外部数据等)提炼出基础标签及基础业务衍生标签作为底层基础标签体系,在此之上,结合客户生命周期及具体业务场景,对标签进行特色化并加以应用实践。

(一)画像体系构建基础

证券公司对数据进行分析与挖掘过程中,逐步发现部分数据不完整、数据不一致、部分数据质量不佳、缺乏数据标准等问题。只有高质量的数据才能有效驱动业务价值,实现以客户为中心的技术与业务的有效融合。因此,开展数据治理工作不仅是安全运营管理和有效风险管控的需要,更是业务创新的需要。

数据治理计划的主要任务有建设数据治理架构、统一数据标准规范、明确数据管理使用职责、建立数据管理的规章制度等,并聘请专业化的数据管理团队将重要业务领域数据治理成果落实,搭建数据管控平台与数据集市,有效促进解决指标数据口径不统一、数据不一致等数据质量问题,提高数据的准确性、一致性、共享性,为数据应用需求提供快捷、高效的技术支撑。

基础数据标准方面,参考银行保险行业模型,建立主体、账户、品种、资产、事件主题基础数据标准,为指标标准提供基础。在指标数据标准方面,根据业务需求,建立经营管理分析、风险管理、财务管理等领域的指标标准,常见的数据标准管理模板主要包括业务属性、技术属性和管控属性三个部分,为后续的业务应用,如客户画像等提供高质、快速、明确的数据支撑。

(二)客户标签体系建设及运营

标签是用户画像的前提,构建用户标签体系是用户画像的基础,因此需要建立起可靠的标签体系。标签体系包括客户标签、产品标签、业务标签、营销标签、员工标签等,是客户精细化运营或者管理精细化运营的需要。客户标签是构建用户画像以及开展精细化运营的基础与核心,在客户全生命周期运营中发挥着重要作用,梳理客户全生命周期业务运营场景是构建标签的第一步,是指导标签体系设计以及数据采集的关键环节。

1、标签体系构建方法

证券公司以客户为中心、以业务场景为导向的客户画像标签构建思路主要分为五个步骤。

第一步:根据业务需求和特定业务、应用场景制定标签体系框架、标签内容;根据主题,筛选具有关联性的变量。

第二步:整合标签数据资源。根据标签业务规则,分析数据来源,并对数据按照业务主题进行规范、统一整理和整合。如客户交易数据、客户行为数据、客户账户数据和客户风险数据。

第三步:建立模型生成标签。结合业务人员经验、历史数据分布以及专家建议进行数据建模,掌握客户群体分布,为不同客户贴上不同标签,标签名称一般用简单易懂的自然语言来描述。该步骤还涉及关联衍生指标的加工处理。

第四步:客户标签实际应用。记录每个标签的应用情况和实际效果,了解业务人员最关注的场景及标签,为后期标签优化奠定基础。

第五步:客户标签评估优化。评估主要包括标签的使用情况和应用反馈,如对标签被使用次数进行排名、评估标签的贡献度等,采用A/B Test或召回率(Recall)等方法分析得出。优化主要指在应用过程中对标签、场景的持续优化、迭代,提高模型准确度和适用性。

2、客户标签业务分类体系构建

(1)基础类客标签户体系

证券机构基础类客户标签体系分为原始类标签、规则类标签、挖掘类标签和衍生类标签。原始类标签是指不需要做任何数据加工的标签,例如客户名称、性别等;规则类标签是指有明确的业务规则,并通过数据平台基于SQL加工而成,有些客户标签例如果在CRM系统中已经是加工好的成品了,只需要合并主数据将数据资产取过来就好,没必要做重复加工的工作。挖掘类标签往往是带有预测性质的,没有明确的业务规则,这就需要利用数据挖掘技术通过历史数据训练得出,值得注意的是标签与AI之间是相辅相成的,标签数据既是AI的输入,又是AI的输出。

(2)衍生类标签体系

衍生类标签是一个比较重要的概念,按标签层次我们将标签分为基础类标签和衍生类标签。其中基础标签是需要数据装载、数据加工、落地存储的标签。衍生标签是基于已有的基础标签之上,由业务部门通过规则配置生成的标签,衍生标签不需要做数据加工跑批和落地存储,可面向业务部门做到即配即用。举个例子,开户日期是一个基础标签,但是业务部门想要一个“7天内开户客户”的布尔型标签,我们用系统当前日期减去开户日期形成的天数小于某个参数就好,这些都是可以配置的,配置好后我们就多了这个标签,它不需要提前加工也不需要存储,在查询那一刻完成实时计算。这个过程对于标签使用者来说是完全透明的。再举些例子,年龄如何配置成不同年龄段标签、标签之间相除得到环比同比标签、利用性别和AUM生成是否高价值女性客户标签等等。衍生标签的灵活配置与实时计算的性能保障,可以极大降低标签后续的运维开发成本。

3、标签全生命周期运营管理体系

标签是打通数据后台与渠道系统之间的重要载体,标签系统上线后会迅速过渡到跨部门、跨系统的标签运营管理阶段,所以做好标签的创建、审批、标签的调用、评估、失效和下线等全生命周期流程管理规范是一项非常重要的工作。

标签生命周期管理从标签的创建发布,到标签的运营服务,并且针对标签的分析,进行相关的标签优化及管理,基于现有的标签分析进行标签配置指标和公式的调整,完善标签的使用效果,达到整个标签运营的闭环。

(三)画像体系构建流程

本文结合数据挖掘、经验分布、专家建议等方式,进行证券公司客户画像模型的构建方法研究,给出构建客户画像的构建流程。构建步骤分为五个阶段,分别是明确目标、数据准备、建立模型与模型评估、模型结果的评价与解释、标签的实施与优化方法。

1、确定业务目标及指标

明确目标是应用数据挖掘的首要任务。在证券公司中,业务目标可能是检测客户的异常行为、对客户投资风格的分类、对于客户的流失预警等。在确定业务目标以后,基于对该业务实际中的现实需求以及对源数据的理解,可以为该业务设计客户画像指标体系。

2、客户画像数据准备

在实际生产环境中,由于存在多样化的数据需求和某些历史原因,数据的来源渠道不一、数据质量参差不齐。为了保证数据的质量,需要对数据进行必要的检查和修正,解决相同数据在不同数据源之间不一致的问题。为了提高分析效率和效果,需要减少输入维度,常用的方法包括“描述型数据挖掘”和联机分析等。在数据准备阶段除了处理缺失数据,还需考虑是否按照某种组合方式构造一个新变量,比原有变量更具说服力。

3、建立模型与模型评估

在预处理完数据后,需要选择适合当前问题的模型,不同的业务需求适用于不同的模型。如果业务目标是检测客户的异常行为、客户的投资风格分类等问题,则可以选用分类效果好的分类模型,如神经网络和随机森林;如果业务目标是精准营销,则可以选用聚类、分类、决策树等。在建立模型后,也可以用bagging和boosting来优化性能。

建立客户画像模型意味着应用智能技术,例如,来自机器学习、数据挖掘或信息检索等领域,以构建客户画像。目前较为常用的客户画像技术为随机森林、神经网络、主成分分析、专家经验和序列分析。

4、评价、解释与实施

在完成定量分析之后,就要为客户“贴标签”。标签作为特征化的定性表达和量化反映,制定标签时,需遵循相关性、有效性、适用性、全面性原则,避免标签分类重复、交叉。

以客户画像标签投资风格为例,这个例子中一级标签是投资偏好、盈利能力、风险偏好、投资风险。在使用聚类算法建立行为模型后,客户群体被初步分类,在这里可以再次使用聚类算法,进一步将客户群体分成具备代表性的若干大类,根据各个客户群的行为特点,为客户群贴上标签。

5、客户标签优化

客户画像是对客户的基本属性、购买能力、行为特征、兴趣爱好等进行标签化的结果,客户画像简化了数据应用难度,但无法100%地还原客户的原始数据,也不可能100%地全面描述。另外,客户的背景、行为信息不是一成不变的。随着时间的推移,有些字段的取值可能会发生变化,如年龄、受教育程度、单笔交易额的统计值等。为了更精准地描述客户信息,必须定期更新或重建客户画像,按周、月、季度或年度随时间不断修正,不断完善,使客户画像更同步,贴合客户的实际情况。

(四)画像指标体系

证券公司通过精细化运营平台对客户信息进行采集、分析和挖掘,利用标签数据管理系统对信息进行分类并标签化,构建科学的客户标签体系,深度刻画客户特征。

1、客户指标

平台构建的客户标签体系包含了各种不同类型的标签,如:人口轮廓、账户属性、贡献程度、消费行为等等类别。

2、产品指标

产品标签主要为了将产品进行定义,个性化特色,主要实现产品运营管理过程中产品标签的定义,为产品的查询及展示提供数据基础。产品标签构成主要包括基础产品元数据,以及产品标签分类体系。

三、基于大数据的画像技术在精细化运营中的应用

面对大数据时代的运营挑战,我司积极推进精细化运营平台的建设,在战略层面建立“数据驱动型”发展模式,完善数据运营体系,在战术层面通过从构建用户画像到精准营销再到运营优化,赋能客户活跃提升、精准营销、交叉营销、流失挽留、风险管控等关键业务场景,逐步提升核心价值和竞争力。本文基于大数据的画像技术在精细化运营中的应用介绍如下:

(一)线上线下全渠道评估

精细化运营平台通过渠道追踪,不仅能够实现线上 Web/H5 端、APP 端和小程序端的渠道追踪,也可以通过标记线下推广活动的二维码等方式实现线下渠道/营业部/员工的有效追踪。同时通过对接各大线上主流平台,更加便捷有效的帮助券商进行广告流量的精准追踪。

便捷的渠道管理功能和一键生成规模质量双评估报表,有效提升一线营销人员的工作效率,帮助管理人员从多维度分析渠道价值,提升投放效果,为企业带来优质目标群体。同时反推渠道质量与渠道特点,优化投放策略。

(二)全面深入了解客户和产品,实现交叉销售

证券机构可以根据业务场景构建360度客户画像,对客户进行分群,以及对客户账户进行诊断分析,全面深入了解客户,洞察客户需求,深挖客户价值,便于证券经纪、财富管理、融资融券等业务部门制定精准的营销策略。

另外,证券机构根据所拥有产品的基本数据、销售信息等对产品全方面分析,然后基于简单的协同过滤、对适配规则的配置进行产品和客户的精准匹配,让营销人员对客户以及产品的主要特征一目了然,结合自己的销售经验,高效、便捷的开展交叉销售、将匹配度最高的产品或服务推送给客户、激活沉寂客户等精准营销策略,拓展营销新模式,让营销决策分析从经验依赖转向数据支撑,提高营销的智能化程度,提升营销效果,降低推广成本,增加客户粘性。

(三)营销活动的精准化运营

针对营销活动这一个重点场景,通过智能运营系统对客群进行精准的筛选、活动计划快速创建、打通用户触达通道、效果实时分析再迭代,并对接当下主流触达通道,以多触达方式如 APP Push 、短信推送、邮件等自定义推送方式衔接运营计划,提高产品销售活动效率,降低成本。

凭借有效打通线上线下联系。通过与证券公司自有 CRM 对接,使用精细化运营平台分析客户行为,收集销售线索并发送到 CRM 生成任务,后续观察销售线索完成情况,使线上线下动作形成闭环。

(四)“千人千面”的智能化推荐

根据证券公司常见的投资资讯和金融产品推荐场景。可以使用智能运营平台的智能推荐系统,实现精准推荐。

对于资讯类产品可以使用算法推荐,通过召回算法满足客户阅读感兴趣的投资资讯的需求;对于金融产品可以使用规则推荐,通过配置规则引擎实现栏位运营,增加与客户属性匹配的产品的曝光度,增强产品购买的可能性。

四、结语

随着证券市场的不断发展,券商对科技投入比重在逐渐加大,开始探索数据化运营、数据资产管理的组织模式和技术方法。我们总是想办法更好地服务用户和客户,却忽视了一个能支持内部运营的高效的、智能的精细化运营系统的重要性。所以,要实现精细化的运营,不仅仅需要升级公司的运营思维,更需要提高整个产品团队的高度重视,为精细化运营设计开发高效的运营工具。券商数字化实践将不仅仅停留在互联网渠道建设、O2O、账户体系智能化、行情资讯服务等方面。构建金融科技能力中心,驱动投资交易、大投行业务、财富管理、全面风险管理、综合机构业务、产品创新与研发等核心业务的全面升级,从而由金融机构向科技公司的转型,将会是未来券商的发展趋势。

[Source]

本文系未央网专栏作者发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!

本文为作者授权未央网发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!

本文版权归原作者所有,如有侵权,请联系删除。

评论


猜你喜欢

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。